Analytics 보고 인터페이스가 Analytics 프로그램에 미치는 영향

분석 세계에서 분석가는 보고서를 실행하는 분석 제품에 많은 시간을 할애합니다. 각 분석 제품은 보고에 대한 접근 방식이 약간 다릅니다. 일부 분석 제품은 더 많은 빈 캔버스로 시작하여 분석가가 분석을 수행하기 위해 데이터 요소를 끌어야 합니다. 다른 것들은 분석가가 데이터를 스프레드시트로 가져올 수 있도록 합니다. 일부는 SQL을 사용해야 합니다. 일부는 분석가가 이벤트 및 속성으로 공백을 채울 수 있는 보고서 템플릿을 제공합니다. 어떤 분석 보고 인터페이스도 다른 인터페이스보다 반드시 우수하지는 않지만 조직과 조직의 데이터 소비자에게 가장 적합한 인터페이스를 선택하는 것이 중요합니다. 보고 인터페이스는 분석 프로그램 전체에 중대한 영향을 미칠 수 있습니다. 이 게시물에서는 내가 본 몇 가지 분석 보고 인터페이스와 이러한 인터페이스가 분석 제공 모델 및 프로그램에 어떤 영향을 미칠 수 있는지 간략하게 설명합니다.

자유 형식 보고

가장 인기 있는 분석 보고 인터페이스 중 하나는 자유 형식 보고입니다. 이 보고 인터페이스에서 분석가에게는 빈 캔버스가 표시되며 측정항목과 측정기준을 끌거나 선택할 수 있습니다. 데이터 요소가 캔버스에 추가되면 데이터는 열과 행이 있는 테이블 형식을 취합니다. 이 접근 방식은 Tableau와 같은 BI 도구와 Adobe 및 Google Analytics와 같은 디지털 분석 제품에 의해 대중화되었습니다.

자유 형식 보고 인터페이스의 이점은 분석하려는 데이터의 구조를 완벽하게 제어할 수 있다는 것입니다. 여러 수준의 분류를 생성할 수 있으며 종종 필터를 추가하여 차원 값으로 데이터 범위를 좁힐 수 있습니다. 이 모델은 SQL을 몰라도 고급 쿼리를 수행할 수 있는 많은 자유와 기능을 제공하기 때문에 전력 분석가가 이 모델을 좋아합니다.

처방적 보고

또 다른 분석 보고 인터페이스는 규범적 보고입니다. 이 모델은 수행 중인 분석 유형에 대한 프레임워크를 제공하고 분석가가 보고서를 실행하는 데 필요한 항목을 입력할 수 있도록 합니다. 저는 이 모델을 보고에 대한 "빈칸 채우기" 접근 방식으로 생각하고 싶습니다. 각 보고서 유형은 어떤 유형의 메트릭, 이벤트 또는 차원/속성이 필요한지 알고 분석가가 보고서를 생성하기 위해 적합한 옵션 중에서 선택할 수 있도록 합니다.

이 접근 방식은 어떤 면에서 제한적일 수 있지만 분석가가 구조로 인해 너무 많은 실수를 하는 것을 방지합니다.

스프레드시트 가져오기

분석 분야가 아무리 발전하더라도 단순히 스프레드시트에서 분석을 수행하려는 사람들은 항상 있을 것입니다. 많은 분석 제품은 분석가가 필요에 따라 데이터를 조작할 수 있도록 데이터를 스프레드시트로 다운로드하거나 내보낼 수 있는 방법을 제공합니다. 스프레드시트, 특히 Microsoft Excel은 분석가에게 가장 낮은 공통 분모인 경향이 있습니다. 그러나 스프레드시트 사용의 단점 중 하나는 공유, 공동 작업이 더 어렵고 버전 제어 문제가 있을 수 있다는 것입니다.

SQL/R/파이썬

스스로를 "데이터 과학자"라고 생각하는 사람들은 종종 SQL이나 R 또는 Python과 같은 보고 언어를 통해 데이터를 분석하는 것을 선호합니다. 이러한 프로그래밍 인터페이스와 언어는 많은 유연성을 제공하며 사용자 지정 및 고급 분석을 수행하는 데 사용할 수 있습니다. 오늘날 더 많은 데이터 소비자가 이러한 언어를 배우고 있지만, 특히 대기업에서 확장하기가 여전히 어렵습니다.

보고 인터페이스의 영향

따라서 분석을 수행하는 데 사용할 수 있는 모든 선택 사항이 있는 경우 조직은 어떻게 적절한 선택지를 선택해야 할까요? 늘 그렇듯이 정답은 없지만 다음은 선택 시 고려해야 할 몇 가지 사항을 제공합니다. 또한 많은 조직에서 서로 다른 내부 대상에 대해 둘 이상을 사용해야 한다는 점을 염두에 두는 것이 중요합니다.

데이터 소비자 유형

대부분의 조직에는 다양한 유형의 데이터 소비자가 있습니다. 매일 분석을 수행하는 핵심 분석 팀이 있고 일상적인 데이터 사용자가 더 많은 다른 팀이 있습니다. 캐주얼 데이터 사용자에는 의사 결정에 정보를 제공하기 위해 때때로 데이터를 확인해야 하는 경영진 또는 비즈니스 내 사용자가 포함될 수 있습니다. 후자의 예로는 자신이 관리하는 제품의 주간 또는 월간 웹사이트 보기를 원하는 제품 소유자가 있습니다.

핵심 분석 팀의 보고 요구 사항은 일반 사용자의 보고 요구 사항보다 훨씬 더 발전될 것입니다. 핵심 분석 팀은 여러 데이터 분석을 수행하고 여러 차원/속성별로 데이터를 필터링하기를 원할 것입니다. 그들에게는 자유 형식의 보고 인터페이스를 갖거나 프로그래밍 언어를 사용하는 것이 가장 적합할 수 있습니다. 그러나 이러한 고급 보고 인터페이스는 가끔 분석을 수행하는 사람들에게 위협적이거나 압도적일 수 있습니다. 경영진은 BI 도구에서 높은 수준의 대시보드만 보고 싶어할 수 있습니다.

각 내부 데이터 소비자의 기술 수준을 이해하고 각자의 요구와 적성에 도움이 되는 보고 인터페이스가 제공되도록 하는 것이 중요합니다. 저는 많은 조직이 "모든 경우에 적용되는" 접근 방식을 사용하고 모든 데이터 소비자가 동일한 분석 보고 인터페이스를 사용하도록 하여 실패하는 것을 보았습니다. 이러한 상황에서 보다 발전된 편향을 가진 핵심 분석 팀은 모든 데이터 소비자가 일반 데이터 소비자에게 너무 복잡하거나 너무 혼란스러운 보고 인터페이스를 마스터할 수 있다고 가정하는 것이 일반적입니다. 더 많은 초보 데이터 소비자를 위해 고급 보고 인터페이스가 선별된 경우에도 후자는 도움 없이 데이터를 자세히 살펴보고 필요한 답변을 찾는 것이 어렵다는 것을 알게 됩니다. 나 자신도 고급 보고 인터페이스에 대해 캐주얼 데이터 소비자를 교육하려고 시도했지만 그들이 배우기 위해 고군분투하는 것을 보았습니다. 이러한 경우 데이터 소비자 대상에 맞게 조정된 여러 분석 보고 인터페이스를 제공하는 것이 더 유용하다는 것을 알았습니다.

분석 제공 모델

분석 세계에는 분석을 수행하는 데 사용할 수 있는 몇 가지 모델이 있습니다. 일부 조직에서는 데이터 소비자가 분석 요청을 제출하고 중앙 팀에서 분석을 수행하는 중앙 집중식 모델을 사용합니다. 다른 조직에서는 모든 사람이 자체 분석(종종 데이터 민주화라고 함)을 수행할 것으로 예상되는 분산 접근 방식을 사용하려고 시도합니다. 또한 일부 유형의 분석에는 중앙 집중식 모델을 활용하고 다른 유형에는 분산형 접근 방식을 활용하는 하이브리드 접근 방식이 있습니다(여기에서 이 주제에 대한 이야기를 들을 수 있습니다). 각 접근 방식에는 장단점이 있으며 이는 조직에 따라 다른 접근 방식이 더 좋거나 더 나쁠 수 있는 또 다른 상황입니다.

그러나 내가 본 한 가지는 보고 모델에서 저지른 실수가 분석 제공 모델에 부정적인 영향을 미칠 수 있다는 것입니다. 예를 들어 Acme Corp이 조직으로서 분석을 위해 분산 모델을 사용하기로 선택했다고 가정해 보겠습니다. 그러나 동시에 그들은 자유형 분석 보고 인터페이스에서 표준화하기로 결정했습니다. 시간이 지남에 따라 많은 일반 데이터 소비자가 구현 시 데이터와 이에 대해 보고하는 방법을 이해하는 데 어려움을 겪고 있음을 알게 됩니다. 천천히, 핵심 분석 팀은 이메일과 도움 요청을 받기 시작합니다. 처음에는 따라잡을 수 있고 추가 교육을 시도할 수 있지만 곧 데이터 소비자가 셀프 서비스를 할 수 없고 요청 수가 압도적이라는 것을 깨닫게 됩니다. 내가 여러 번 본 이 상황에서 보고 인터페이스와 데이터 소비자 사이에 분명히 불일치가 있었고 이 불일치가 전체 분석 전달 모델을 깨뜨렸습니다. 이것이 내가 분석 보고 인터페이스와 분석 제공 모델 사이에 직접적이고 중요한 관계가 있다고 믿는 이유입니다.

스위트 스팟 찾기

조직에서 분석을 지원한 20년 동안 저는 하나의 인터페이스가 모든 데이터 소비자 유형과 모든 분석 제공 모델에 작동한다는 것을 거의 발견하지 못했습니다. 도구를 자주 사용하지 않으면 배우기 어렵기 때문에 일반 데이터 소비자를 위한 분석 제품 교육으로 제한된 성공을 보았습니다. 최고의 조직은 기업 문화, 다양한 유형의 데이터 소비자의 기술을 이해하고 분석 보고 인터페이스와 분석 제공 모델을 선택하는 데 둘 다를 사용하는 데 시간을 할애한다고 생각합니다. 어떤 인터페이스와 모델이 가장 잘 작동하는지 알아낼 수 있도록 조직과 함께 많은 워크샵과 교육을 진행했습니다. 나는 또한 조직이 다른 데이터 소비자 유형에 대한 새로운 보고 인터페이스를 주기적으로 시도하여 현재 사용 중인 것보다 더 많은 "클릭"이 있는지 확인하도록 권장합니다. Amplitude에서는 일반 데이터 소비자가 쉽게 사용할 수 있는 보고 인터페이스를 만들려고 시도했으며 일부 조직에서는 매일 수백 명이 셀프 서비스를 제공한다는 사실을 자랑스럽게 생각합니다. 이것이 바로 우리가 분석 팀이 다른 분석 공급업체(Google 및 Adobe)에서 수행한 작업을 활용하여 데이터를 Amplitude로 전송하여 보고 인터페이스가 핵심 분석 팀이 사용하는 것을 보완할 수 있는지 확인할 수 있는 쉬운 방법을 만든 이유입니다.

결국 모든 조직은 데이터를 효과적으로 사용하고 데이터를 통찰력으로 전환하는 데 걸리는 시간을 줄이기를 원합니다. 다양한 데이터 소비자에게 적합한 분석 보고 인터페이스를 선택하는 것은 분석 프로그램의 전체 가치를 향상시키는 데 있어 훌륭한 단계입니다.